针对学习型零售商的供应链合同定价学习
机器学习
2022-11-10 v1 计算机科学与博弈论
多智能体系统
理论经济学
机器学习
摘要
大数据分析的兴起已使企业决策自动化，并提升了供应链敏捷性。本文研究数据驱动型供应商面临的下游零售商库存决策响应问题，即供应链合同设计问题。供应商与零售商均对市场需求不确定，并需序贯学习。供应商的目标是在固定时间范围内，针对多种可能的零售商库存策略，开发具有次线性遗憾界的数据驱动定价策略。为捕捉零售商学习策略引发的动态，我们首先借助变异预算概念，与非平稳在线学习建立联系。变异预算量化了零售商学习策略对供应商决策的影响。随后，我们针对离散和连续需求，为供应商提出动态定价策略。我们还指出，所提出的定价策略仅需获取需求分布的支撑集，但关键的是，不要求供应商对零售商的学习策略或需求实现有任何先验知识。我们考察了几种知名的零售商数据驱动策略，包括样本平均近似、分布鲁棒优化和参数化方法，并证明我们的定价策略在所有情形下均能实现次线性遗憾界。在管理层面，我们肯定地回答：即使面对学习型零售商和未知需求分布，也存在一种定价策略，能在广泛的零售商学习策略下实现次线性遗憾界。我们的工作也为数据驱动运营管理提供了一个新颖视角，即委托方必须学习如何对系统中其他智能体所采用的学习策略做出反应。
引用
@article{arxiv.2211.04586,
title = {Learning to Price Supply Chain Contracts against a Learning Retailer},
author = {Xuejun Zhao and Ruihao Zhu and William B. Haskell},
journal= {arXiv preprint arXiv:2211.04586},
year = {2022}
}